CN111044902B

CN111044902B - 一种基于电流和电压信号的电机故障诊断方法

Info

Publication number: CN111044902B
Application number: CN201911413045.0A
Authority: CN
Inventors: 吴志良; 张品佳; 袁巍
Original assignee: Lonston Technology Beijing Co ltd
Current assignee: Lonston Technology Beijing Co ltd
Priority date: 2019-12-31
Filing date: 2019-12-31
Publication date: 2022-04-26
Anticipated expiration: 2039-12-31
Also published as: CN111044902A

Abstract

本发明涉及一种基于电流和电压信号的电机故障诊断方法，按照功率划分工况，每种工况构建贝叶斯分类器，训练贝叶斯分类器进行电机故障诊断；采集电机的电流、电压，基于所述电流和电压计算电机的功率，根据功率确定当前工况；基于采集的所述电流提取特征向量；根据当前工况选择对应的贝叶斯分类器，基于所提取的特征向量计算各故障类型的概率。实现了对多种故障因素的故障诊断，且获得的故障诊断结果准确率高。本发明将电机运行工况进行5层划分，在不同的工况中采集数据，建立故障诊断模型，更全面的考虑到各故障在不同工况中的差异，进而得出更准确的诊断结果。同时考虑电机稳态和暂态运行这两种情况，得出的诊断结果更符合电机真实的运行状态。

Description

一种基于电流和电压信号的电机故障诊断方法

技术领域

本发明涉及故障诊断的技术领域，特别涉及一种基于电流和电压信号的电机故障诊断方法。

背景技术

随着科学技术和工业水平的高速发展，电机作为一种旋转设备，越来越多的应用到工农业生产的各个领域。但是，由于电机运行环境复杂，长时间超负荷运行，电机设备故障所导致的事故时有发生，造成了严重的人身和经济损失。因此需要对电机进行故障诊断，预防事故的发生，也是保证工农业生产能够安全、稳定运行的一项重要举措。

现有的故障诊断方法主要包括以下几种：

1、通过分析噪声、温度等因素对电机故障进行判断。在电机产生故障问题时，检查人员可以先用温度探测设备获得电机各相关部位的温度值，以初步判断故障问题的类型，再结合出现的噪声情况，大体上确定故障问题的位置及其原因，从而能够为后续的诊断提供数据参考。这类方法主要针对的是问题较轻、可以凭借检查人员的经验或者通过简单的查验就可以判断的故障

2、通过对采集振动信号分析电机故障是较常用的故障方法，在电机运行过程中，由于内部出现故障或者会导致产生与正常工作状态所不同的异常振动，而不同的故障类型，电机产生的振动形式、幅值大小和频谱成分都是不同的，因此，许多运行状态信息可以包含在电机的振动信号中。

3、采集电机电气信号诊断电机故障也是一种常用的方法；电机作为一种旋转设备，当故障发生时会导致电机规律性的振动。电机规律性的振动会导致电机内部磁场发生周期性畸变。磁场的畸变必然与电机的机械转频、电机结构及故障部位有关。磁场的周期性畸变导致气隙磁通发生某种特定性变化，反应在定子电流中的特征就是：出现某些特定的频率分量。基于电流特征信号的电机故障诊断的核心思想就是：捕捉电机故障时振动信号反应在定子电流中的特征分量。当电机故障时，定子电流中会出现与故障对应的特征频率分量；反之，当从定子电流频谱中捕捉到故障特征谐波时，电机一定发生了与特征频率相对应的故障。

在实际生产中，由于存在传感器安装不便，易受背景噪声干扰等缺陷，导致传统的振动分析和噪声分析方法难以实施，另外许多方法仍是局限在有关电机稳态运行的故障问题诊断，对于开启、加速等暂态状况下的诊断仍显不足，也没有将稳态和暂态信号结合起来综合评估，只考虑稳态或暂态一方面，都会导致故障信息的缺失，最终会导致电机故障诊断精度较低；另外，电机运行现实情况中，随着负载的变化，电机的实际运行工况也在不断变化，目前的方法基本没有考虑电机运行在不同的工况下故障特征是否出现变化，不对工况进行过滤，而是对各种工况进行相同的处理，忽略了不同工况下故障特征程度会有所不同这一因素，最后导致电机故障诊断精度较低。

发明内容

本发明提供一种基于电流和电压信号的电机故障诊断方法，通过采集电机的电流、电压，通过过滤工况，采用稳态和暂态的分析方法，提取故障特征量作为故障分类的条件属性集，并以此建立故障诊断模型，通过采集电机的电压和电流信号，应用故障诊断模型进行故障诊断，从而实现对多种故障因素的故障诊断，且获得的故障诊断结果准确率高。

本发明提出了一种基于电流和电压信号的电机故障诊断方法，包括：

按照功率划分工况，每种工况构建贝叶斯分类器，训练所述贝叶斯分类器进行电机故障诊断；

采集电机电流以及电压；

基于所述电流和电压计算电机的功率，根据功率确定当前工况；

基于采集的所述电流提取特征向量；

根据当前工况选择对应的贝叶斯分类器，基于所提取的特征向量计算各故障类型的概率。

进一步的，划分工况的方法包括：工况1:0<P≤20％额定功率；工况2:20％<P≤40％额定功率；工况3：40％<P≤60％额定功率；工况4:60％<P≤80％额定功率；工况5：80％<P≤100％额定功率,P为电机的功率。

进一步的，基于采集的所述电流提取特征向量包括：

根据采集到的电流及电压判断电机处于稳态还是暂态；若电机处于稳态，则采用频域的分析法，提取电流的特征向量；若电机此时处于暂态，则采用时频域的分析方法，提取电流特征向量。

进一步的，判断电机处于稳态还是暂态包括：设定电压和电流的波动范围；分别计算采集的电压和电流每个周期的电压和电流的有效值，如果均在波动范围内，则判断电机处于稳态，否则判断电机处于暂态。

进一步的，采用时频域的分析方法提取电流特征向量包括：采用小波分析方法，提取电流信号的小波包能量熵作为特征向量。

进一步的，采用频域的分析法提取电流特征向量包括：采用快速傅里叶变换分析方法对电流进行频域分析，计算各次谐波幅值与基波幅值的比值；对比值进行归一化处理作为稳态时的特征向量。

进一步的，所述贝叶斯分类器的输入为每种工况下的暂态提取电流的特征向量和稳态提取电流的特征向量的组合，为暂态时稳态提取电流的特征向量为0，为稳态时暂态提取电流的特征向量为0。

进一步的，所述贝叶斯分类器的输出为各故障类型的概率。

进一步的，所述故障类型包括转子故障、定子绝缘故障、轴承故障、基座故障、不平衡/不对中故障以及传动元件故障。

进一步的，所述贝叶斯分类器的训练包括：对具有故障类型标签的历史数据按照所述工况进行划分，分别构建每种工况下的数据库，从数据库中选择对应的样本对每种工况的所述贝叶斯分类器分别训练，直至满足精度要求。

本发明与现有技术相比获得的有益效果包括：

(1)本发明通过采集电机的电流、电压，通过过滤工况，采用稳态和暂态的分析方法，提取故障特征量作为故障分类的条件属性集，并以此建立故障诊断模型，通过采集电机的电压和电流信号，应用故障诊断模型进行故障诊断，从而实现对多种故障因素的故障诊断，且获得的故障诊断结果准确率高。

(2)本发明主要的电压和电流信号，无需额外布置传感器，可以无侵入式的采集电流和电压信号，故采集的稳定性较高，不受外界环境的影响，抗干扰性强；

(3)常规方法基本只考虑电机稳态或暂态运行中的一种，没有考虑各个故障在不同状态下的故障特征的差异，本发明将电机运行工况进行5层划分，在不同的工况中采集数据，建立故障诊断模型，可更全面的考虑到各故障在不同工况中的差异，进而得出更准确的诊断结果。同时考虑电机稳态和暂态运行这两种情况，得出的诊断结果也将更符合电机真实的运行状态。

附图说明

图1为电机故障诊断的方法的流程图；

图2为时频域的分析方法提取电流特征向量的流程图；

图3为频域的分析方法提取电流特征向量的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本发明提供一种电机故障诊断的方法，包括如下步骤：

S100按照功率划分工况，每种工况构建贝叶斯分类器，训练所述贝叶斯分类器进行电机故障诊断。

在一个实施例中划分工况包括五种情况：工况1:0<P≤20％额定功率；工况2:20％<P≤40％额定功率；工况3：40％<P≤60％额定功率；工况4:60％<P≤80％额定功率；工况5：80％<P≤100％额定功率,P为电机的功率。每种情况分别构建一个贝叶斯分类器。

对具历史数据按照所述工况进行划分，历史数据包含表征故障类型的故障标签，分别构建每种工况下的数据库，从数据库中选择对应的样本对每种工况的所述贝叶斯分类器分别训练，直至满足精度要求。

用于分类预测的贝叶斯网络分类器也称贝叶斯网络。设有节点集合U＝{A₁,A₂,…,A_n,C}，其中A_i(i＝1,2,…,n)是n个属性节点，其对应的实例可表示为：x_i＝(a₁,a₂,…,a_n)表示，C表示分类节点，对应的实例值用c表示。那么x_i属于c_j类的概率为：

其中，P(c_j)是c_j的先验概率，P(a₁,a₂,…,a_n|c_j)是类c_j的后验概率，反映了在样本实例x_i＝(a₁,a₂,…,a_n)下，c_j发生的概率，P(a₁,a₂,…,a_n)是用于归一化的证据因子。对给定样本x_i＝(a₁,a₂,…,a_n)，证据因子P(a₁,a₂,…,a_n)与类标无关，因此估计P(c_j|a₁,a₂,…,a_n)的问题就转化为基于训练数据估计先验概率P(c_j)和后验概率P(a₁,a₂,…,a_n|c_j)。

S200实时采集电机的电流、电压数据。可以利用电机现有的电流、电压采集数据，无需额外安装传感器。

S300基于所述电流和电压计算电机的功率，根据功率确定当前工况。

根据电压和电流数据计算功率，对工况进行过滤，判断当前的功率属于哪种工况，工况包括:工况1:0<P≤20％额定功率；工况2:20％<P≤40％额定功率；工况3：40％<P<≤60％额定功率；工况4:60％<P≤80％额定功率；工况5：80％<P≤100％额定功率,P为电机的功率。

S400基于采集的所述电流提取特征向量。

通过设定电压和电流的有效基准值，和电压电流的波动率参数，对采集到的电压和电流数据，需要计算每个周期的电压和电流的有效值，是否在设置的电压和电流基准值的波动范围内，若采集到的电压和电流数据各个周期的有效值都满足上述要求，则判断该组数据为稳态数据，否则该组数据为暂态数据。

对于5种工况，暂态提取电流特征向量，采用小波分析方法，提取电流信号的小波包能量熵作为特征向量，结合图2，包括：设置小波基函数，设置待分析电流数据的长度，对信号进行预处理，例如为滤波处理；采用小波包分解算法，对电流信号进行三层小波包分解；统计并计算分解后的8个频段的小波能量；对计算得到的8个频段的小波能量进行归一化处理；对归一化处理得到的数据，应用小波包能量熵方法进行计算；输出暂态特征向量。

采用三层小波包分解提取电流信号的小波能量熵，共8个特征向量。小波包能量熵的定义为：a_i＝-T_ilogT_i(i＝1,2,…,8)，其中，T₁,T₂,…,T₈为信号经三层小波包分解后各个频带的小波包能量分布，且

故将a_i(i＝1,2,…,8)8个小波包能量熵作为特征向量。稳态提取电流特征向量，结合图3，包括：设置窗函数，设置待分析电流数据的长度，对电流信号进行预处理，例如为滤波处理；采用快速傅里叶变换算法对电流进行频域分析；统计并计算基频幅值和各次谐波幅值；计算各次谐波幅值与基波幅值的比值；对比值进行归一化处理；输出稳态特征向量。

在一个实施例中，采用快速傅里叶变换分析方法，将各次谐波与基波幅值的比值作为稳态时的特征向量，分别统计3次谐波、5次谐波、7次谐波、9次谐波、11次谐波、13次谐波与基波幅值的比值，然后对各个特征向量做归一化处理，归一化处理后的参数，作为稳态时的特征向量。稳态时各次谐波的比值可表示为u_i＝W_i/G(i＝1,2,…,6)，其中G为基波幅值，W_i表示3、5、7、9、11、13次谐波的幅值，u_i表示各谐波与基波的比值，然后将各比值做归一化处理，可表示为

a_i(i＝1,2,…,6)为稳态时的特征向量。

贝叶斯分类器的输入为每种工况下的暂态提取电流的特征向量和稳态提取电流的特征向量的组合，为暂态时，稳态提取电流的特征向量为0；为稳态时，暂态提取电流的特征向量为0。

贝叶斯分类器的输出c_j为各故障类型的概率，所述故障类型包括转子故障、定子绝缘故障、轴承故障、基座故障以及不平衡/不对中,传动元件故障等。

S500根据当前工况选择对应的贝叶斯分类器，基于所提取的特征向量计算各故障类型的概率。

贝叶斯分类器，对于采集到的实时数据，可实时判断出现各故障的概率值，能够避免重大事故的发生。

综上所述本发明提供一种电机故障诊断的方法，按照功率划分工况，每种工况构建贝叶斯分类器，训练贝叶斯分类器进行电机故障诊断；采集电机的电流、电压，基于所述电流和电压计算电机的功率，根据功率确定当前工况；基于采集的所述电流提取特征向量；根据当前工况选择对应的贝叶斯分类器，基于所提取的特征向量计算各故障类型的概率。从而实现对多种故障因素的故障诊断，且获得的故障诊断结果准确率高。本发明将电机运行工况进行5层划分，在不同的工况中采集数据，建立故障诊断模型，可更全面的考虑到各故障在不同工况中的差异，进而得出更准确的诊断结果。同时考虑电机稳态和暂态运行这两种情况，得出的诊断结果更符合电机真实的运行状态。

应当理解的是，本发明的具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的主旨和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims

1.一种基于电流和电压信号的电机故障诊断方法，其特征在于，包括：

采集电机电流以及电压；

基于采集的所述电流提取特征向量；

根据当前工况选择对应的贝叶斯分类器，基于所提取的特征向量计算各故障类型的概率；

划分工况的方法包括：工况1:0<P≤20％额定功率；工况2:20％<P≤40％额定功率；工况3：40％<P≤60％额定功率；工况4:60％<P≤80％额定功率；工况5：80％<P≤100％额定功率,P为电机的功率；

基于采集的所述电流提取特征向量包括：

根据采集到的电流及电压判断电机处于稳态还是暂态；若电机处于暂态，则采用小波分析方法，提取电流信号的小波包能量熵作为特征向量；若电机此时处于稳态，则提取电流特征向量包括：采用快速傅里叶变换分析方法对电流进行频域分析，计算各次谐波幅值与基波幅值的比值；对比值进行归一化处理作为稳态时的特征向量；

判断电机处于稳态还是暂态包括：设定电压和电流的波动范围；分别计算采集的电压和电流每个周期的电压和电流的有效值，如果均在波动范围内，则判断电机处于稳态，否则判断电机处于暂态；

所述贝叶斯分类器的输入为每种工况下的暂态提取电流的特征向量和稳态提取电流的特征向量的组合，为暂态时，稳态提取电流的特征向量为0；为稳态时，暂态提取电流的特征向量为0；

所述贝叶斯分类器的输出为各故障类型的概率。

2.根据权利要求1所述的一种基于电流和电压信号的电机故障诊断方法，其特征在于，所述故障类型包括转子故障、定子故障、轴承故障、基座故障以及不平衡/不对中,传动元件故障。

3.根据权利要求1或2所述的一种基于电流和电压信号的电机故障诊断方法，其特征在于，所述贝叶斯分类器的训练包括：对具有故障类型标签的历史数据按照所述工况进行划分，分别构建每种工况下的数据库，从数据库中选择对应的样本对每种工况的所述贝叶斯分类器分别训练，直至满足精度要求。